Communitygithub.com

AgentHub — Collaboration multi-agent

Plugin de collaboration multi-agent qui lance N sous-agents en parallèle, concurrents sur la même tâche via isolation git worktree. Les agents travaillent indépendamment, les résultats sont évalués par métrique ou juge LLM, et la meilleure branche est fusionnée.

Qu'est-ce que AgentHub — Collaboration multi-agent ?

AgentHub est un plugin de compétence multi-agent pour Claude Code qui orchestre la collaboration parallèle de plusieurs agents IA sur une même tâche. Chaque agent opère dans un worktree Git isolé, garantissant une indépendance totale. Un coordinateur (la session Claude Code principale) gère le cycle de vie complet : initialisation, lancement parallèle, surveillance via un tableau de messages, évaluation des résultats (par métrique, juge LLM, ou hybride), et fusion de la branche gagnante. Ce plugin est idéal pour les tâches qui bénéficient d'explorations multiples : optimisation de code, génération de variantes de contenu, recherche exploratoire, ou tests A/B. Il nécessite un dépôt Git et s'intègre nativement avec Claude Code via des commandes slash comme `/hub:spawn` et `/hub:eval`.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/SamuelChien/mega-skills-collection/tree/HEAD/agenthub

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait AgentHub — Collaboration multi-agent ?

Lancez N agents IA en parallèle qui concourent sur la même tâche. Chaque agent travaille dans un worktree git isolé. Le coordinateur évalue les résultats et fusionne le gagnant.

Commandes slash

CommandeDescription
/hub:initCrée une nouvelle session de collaboration — tâche, nombre d'agents, critères d'évaluation
/hub:spawnLance N sous-agents en parallèle dans des worktrees isolés
/hub:statusAffiche l'état du DAG, la progression des agents, l'état des branches
/hub:evalClasse les résultats des agents par métrique ou juge LLM
/hub:mergeFusionne la branche gagnante, archive les perdantes
/hub:boardLit/écrit le tableau de messages des agents
/hub:runCycle de vie complet : init → baseline → spawn → eval → merge

Modèles d'agents

Lors du lancement avec --template, les agents suivent un modèle d'itération prédéfini :

ModèleMotifCas d'utilisation
optimizerÉditer → évaluer → garder/abandonner → répéter x10Performance, latence, taille
refactorerRestructurer → tester → itérer jusqu'au vertQualité du code, dette technique
test-writerÉcrire des tests → mesurer la couverture → répéterLacunes de couverture de tests
bug-fixerReproduire → diagnostiquer → corriger → vérifierApproches de correction de bugs

Les modèles sont définis dans references/agent-templates.md.

Quand cette compétence s'active

Phrases déclencheurs :

  • "essaie plusieurs approches"
  • "fais concourir des agents"
  • "optimisation parallèle"
  • "lance N agents"
  • "compare différentes solutions"
  • "fan-out" ou "tournoi"
  • "génère des variantes de contenu"
  • "compare différents brouillons"
  • "test A/B de copie"
  • "explore plusieurs stratégies"

Protocole du coordinateur

La session principale Claude Code est le coordinateur. Elle suit ce cycle de vie :

INIT → DISPATCH → MONITOR → EVALUATE → MERGE

1. Init

Exécutez /hub:init pour créer une session. Cela génère :

  • .agenthub/sessions/{session-id}/config.yaml — configuration de la tâche
  • .agenthub/sessions/{session-id}/state.json — machine à états
  • .agenthub/board/ — canaux du tableau de messages

2. Dispatch

Exécutez /hub:spawn pour lancer les agents. Pour chaque agent 1..N :

  • Publie l'affectation de la tâche dans .agenthub/board/dispatch/
  • Lance via l'outil Agent avec isolation: "worktree"
  • Tous les agents sont lancés dans un seul message (en parallèle)

3. Monitor

Exécutez /hub:status pour vérifier la progression :

  • dag_analyzer.py --status --session {id} affiche l'état des branches
  • Le canal progress/ du tableau contient les mises à jour des agents

4. Evaluate

Exécutez /hub:eval pour classer les résultats :

  • Mode métrique : exécute la commande d'évaluation dans chaque worktree, analyse le résultat numérique
  • Mode juge : lit les diffs, le coordinateur classe par qualité
  • Hybride : métrique d'abord, juge LLM pour les égalités

5. Merge

Exécutez /hub:merge pour finaliser :

  • git merge --no-ff du gagnant dans la branche de base
  • Tague les perdants : git tag hub/archive/{session}/agent-{i}
  • Nettoie les worktrees
  • Publie le résumé de fusion sur le tableau

Protocole de l'agent

Chaque sous-agent reçoit ce modèle de prompt :

Vous êtes l'agent-{i} de la session hub {session-id}.
Votre tâche : {description de la tâche}

Instructions :
1. Lisez votre affectation dans .agenthub/board/dispatch/{seq}-agent-{i}.md
2. Travaillez dans votre worktree — effectuez des modifications, exécutez des tests, itérez
3. Validez toutes les modifications avec des messages descriptifs
4. Écrivez votre résumé de résultat dans .agenthub/board/results/agent-{i}-result.md
5. Quittez lorsque vous avez terminé

Les agents ne VOIENT PAS le travail des autres. Ils ne communiquent PAS entre eux. Ils écrivent uniquement sur le tableau pour que le coordinateur puisse lire.

Modèle DAG

Nommage des branches

hub/{session-id}/agent-{N}/attempt-{M}
  • ID de session : basé sur l'horodatage (AAAA MM JJ-HHMMSS)
  • Agent N : séquentiel (1 à nombre-d-agents)
  • Tentative M : s'incrémente en cas de nouvelle tentative (généralement 1)

Détection de frontière

Frontière = pointes de branche sans branches enfants. Équivalent à la requête "feuilles" d'AgentHub.

python scripts/dag_analyzer.py --frontier --session {id}

Immutabilité

Le DAG est en ajout seul :

  • Ne jamais rebaser ou forcer la poussée des branches d'agents
  • Ne jamais supprimer de commits (seulement les références de branche après archivage)
  • Chaque approche est préservée via des tags git

Tableau de messages

Emplacement : .agenthub/board/

Canaux

CanalÉcrivainLecteurObjectif
dispatch/CoordinateurAgentsAffectations des tâches
progress/AgentsCoordinateurMises à jour de statut
results/Agents + CoordinateurTousRésultats finaux + résumé de fusion

Format de publication

---
author: agent-1
timestamp: 2026-03-17T14:30:22Z
channel: results
parent: null
---

## Résumé du résultat

- **Approche** : Remplacement du tri O(n²) par une table de hachage
- **Fichiers modifiés** : 3
- **Métrique** : 142ms (référence : 180ms, delta : -38ms)
- **Confiance** : Élevée — tous les tests passent

Règles du tableau

  • Ajout seul : ne jamais modifier ou supprimer de publications
  • Noms de fichiers uniques : {seq:03d}-{author}-{timestamp}.md
  • Frontmatter YAML obligatoire sur toutes les publications

Modes d'évaluation

Basé sur une métrique

Idéal pour : benchmarks, taux de réussite des tests, tailles de fichiers, temps de réponse.

python scripts/result_ranker.py --session {id} \
  --eval-cmd "pytest bench.py --json" \
  --metric p50_ms --direction lower

Le classeur exécute la commande d'évaluation dans le répertoire du worktree de chaque agent et analyse la métrique depuis la sortie standard.

Juge LLM

Idéal pour : qualité du code, lisibilité, décisions architecturales.

Le coordinateur lit le diff de chaque agent (git diff base...agent-branch) et classe selon :

  1. Exactitude (la tâche est-elle résolue ?)
  2. Simplicité (moins de lignes modifiées, préféré)
  3. Qualité (exécution propre, bonne structure)

Hybride

Exécutez d'abord la métrique. Si les meilleurs agents sont à moins de 10 % les uns des autres, utilisez le juge LLM pour départager.

Cycle de vie de la session

init → running → evaluating → merged
                            → archived (si aucun gagnant)

Transitions d'état gérées par session_manager.py :

DeVersDéclencheur
initrunning/hub:spawn terminé
runningevaluatingTous les agents sont de retour
evaluatingmerged/hub:merge terminé
evaluatingarchivedAucun gagnant / tous ont échoué

Déclencheurs proactifs

Le coordinateur doit agir quand :

SignalAction
Tous les agents ont plantéPublier un résumé d'échec, suggérer une nouvelle tentative avec des contraintes différentes
Aucune amélioration par rapport à la référenceArchiver la session, suggérer des approches différentes
Worktrees orphelins détectésExécuter session_manager.py --cleanup {id}
Session bloquée dans runningVérifier le tableau pour la progression, envisager un délai d'attente

Installation

# Copier dans votre répertoire de compétences Claude Code
cp -r engineering/agenthub ~/.claude/skills/agenthub

# Ou installer via ClawHub
clawhub install agenthub

Scripts

ScriptObjectif
hub_init.pyInitialiser la structure .agenthub/ et la session
dag_analyzer.pyDétection de frontière, graphe DAG, statut des branches
board_manager.pyCRUD du tableau de messages (canaux, publications, fils)
result_ranker.pyClasser les agents par métrique ou qualité du diff
session_manager.pyMachine à états de session et nettoyage

Compétences associées

  • autoresearch-agent — Boucle d'optimisation à agent unique (utilisez AgentHub quand vous voulez N agents en compétition)
  • self-improving-agent — Agent auto-modificateur (utilisez AgentHub quand vous voulez une compétition externe)
  • git-worktree-manager — Utilitaires git worktree (AgentHub utilise les worktrees en interne)

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

SamuelChien/mega-skills-collection

Security audit, hardening, threat modeling (STRIDE/PASTA), Red/Blue Team, OWASP checks, code review, incident response, and infrastructure security for any project.

SamuelChien/mega-skills-collection

Arquitecto de Soluciones Principal y Consultor Tecnológico de Andru.ia. Diagnostica y traza la hoja de ruta óptima para proyectos de IA en español.

SamuelChien/mega-skills-collection

Ingeniero de Sistemas de Andru.ia. Diseña, redacta y despliega nuevas habilidades (skills) dentro del repositorio siguiendo el Estándar de Diamante.

SamuelChien/mega-skills-collection

Estratega de Inteligencia de Dominio de Andru.ia. Analiza el nicho específico de un proyecto para inyectar conocimientos, regulaciones y estándares únicos del sector. Actívalo tras definir el nicho.

SamuelChien/mega-skills-collection

2D game development principles. Sprites, tilemaps, physics, camera.

SamuelChien/mega-skills-collection

3D game development principles. Rendering, shaders, physics, cameras.

SamuelChien/mega-skills-collection

Expert in building 3D experiences for the web - Three.js, React Three Fiber, Spline, WebGL, and interactive 3D scenes. Covers product configurators, 3D portfolios, immersive websites, and bringing depth to web experiences.

SamuelChien/mega-skills-collection

Accessibility audit skill for scanning, fixing, and verifying WCAG 2.2 Level A and AA compliance across React, Next.js, Vue, Angular, Svelte, and plain HTML codebases. Use when auditing accessibility, fixing a11y violations, checking color contrast, generating compliance reports, or integrating accessibility checks into CI/CD pipelines.

SamuelChien/mega-skills-collection

Ab Test Analyzer - Auto-activating skill for Data Analytics. Triggers on: ab test analyzer, ab test analyzer Part of the Data Analytics skill category.

SamuelChien/mega-skills-collection

A B Test Config Creator - Auto-activating skill for ML Deployment. Triggers on: a b test config creator, a b test config creator Part of the ML Deployment skill category.

SamuelChien/mega-skills-collection

When the user wants to plan, design, or implement an A/B test or experiment. Also use when the user mentions "A/B test," "split test," "experiment," "test this change," "variant copy," "multivariate test," "hypothesis," "conversion experiment," "statistical significance," or "test this." For tracking implementation, see analytics-tracking.

SamuelChien/mega-skills-collection

Acceptance Criteria Creator - Auto-activating skill for Enterprise Workflows. Triggers on: acceptance criteria creator, acceptance criteria creator Part of the Enterprise Workflows skill category.

SamuelChien/mega-skills-collection

Use when a coding task should be driven end-to-end from issue intake through implementation, review, deployment, and acceptance verification with minimal human re-intervention.

SamuelChien/mega-skills-collection

Accessibility Audit Runner - Auto-activating skill for Frontend Development. Triggers on: accessibility audit runner, accessibility audit runner Part of the Frontend Development skill category.

SamuelChien/mega-skills-collection

You are an accessibility expert specializing in WCAG compliance, inclusive design, and assistive technology compatibility. Conduct audits, identify barriers, and provide remediation guidance.

SamuelChien/mega-skills-collection

Web accessibility patterns for WCAG 2.2 compliance including ARIA, keyboard navigation, screen readers, and testing

SamuelChien/mega-skills-collection

Manage Discord channel access — approve pairings, edit allowlists, set DM/group policy. Use when the user asks to pair, approve someone, check who's allowed, or change policy for the Discord channel.

SamuelChien/mega-skills-collection

Create unified specification packages across Business, Development, and Design teams. Staged elaboration (L0 Vision → L1 Requirements → L2 Team Detail → L3 Acceptance Criteria) to build shared understanding. Does not write code.

SamuelChien/mega-skills-collection

Research a company or person and get actionable sales intel. Works standalone with web search, supercharged when you connect enrichment tools or your CRM. Trigger with "research [company]", "look up [person]", "intel on [prospect]", "who is [name] at [company]", or "tell me about [company]".

SamuelChien/mega-skills-collection

Validate messaging consistency across website, GitHub repos, and local documentation generating read-only discrepancy reports. Use when checking content alignment or finding mixed messaging. Trigger with phrases like "check consistency", "validate documentation", or "audit messaging".

Skills associés